【技术实现步骤摘要】
本专利技术属于图像处理领域，具体涉及一种基于mamba的胰腺ct图像分割方法和装置。
技术介绍
1、胰腺癌在诊断和治疗上具有显著的挑战性，生存率极低，因此早期检测和治疗至关重要。ct扫描是检测胰腺病变的主要手段，然而，由于胰腺在腹部ct图像中所占比例很小，通常不到一个切片的1.5％，且胰腺及胰腺肿瘤与周围器官和血管紧密相邻，纹理与邻近组织相似，导致边界不清晰、对比度低，使得准确分割变得十分困难。因此，一种能够精确划分胰腺病变的分割技术对于有效治疗胰腺癌至关重要。
2、目前，以unet结构为主融合卷积神经网络(cnn)和视觉transformer(vits)的模型在视觉表示学习中占据主导地位，并已广泛应用于各种医学图像分割任务中。然而，尽管cnn能够有效提取局部特征，但它们难以捕捉全局上下文和长期依赖性，导致特征提取不够充分。vits虽然能有效捕捉长距离依赖，但其自注意力机制在长序列建模中的高二次复杂度导致了巨大的计算负担。如何平衡模型参数和分割性能成为了一项挑战。
3、第二个问题在于由腹部ct图像对比度低、胰腺边界模糊引起的胰腺轮廓分割性能差，目前没有特别有效的解决方法。
技术实现思路
1、为了克服现有技术的不足，解决模型参数量过大、以及胰腺病灶轮廓分割效果差的问题，本专利技术提供了一种基于mamba的胰腺ct图像分割方法和装置。本专利技术在模型中引入了边缘增强路径，使得模型对胰腺轮廓的分割效果提升。
2、本专利技术通过以下技术方案达到上述目的：
3、一种基于mamba的胰腺ct图像分割方法，包括以下步骤：
4、步骤s1:获取nih、msd、临床数据集图像；
5、步骤s2:进行数据预处理和数据增强；
6、步骤s3:设计多尺度mamba unet分割模型；
7、步骤s4:训练模型，将经过数据增强处理后的图片加载进模型开始训练；
8、步骤s5:验证模型性能。
9、进一步，所述步骤s1中，选用nih、msd2018和临床数据集作为胰腺及胰腺肿瘤分割实验的数据集。nih数据集包含82例增强对比的腹部ct扫描数据，将其82例ct扫描数据随机分为61例用于训练，21例用于验证。msd数据集包含281例增强对比的腹部ct扫描数据，其中211例用于训练，70例用于测试。临床数据集包含89例带有胰腺肿瘤标签的增强ct扫描数据，其中71例用于训练，18例用于测试。
10、再进一步，所述步骤s2的过程如下：
11、2.1将三维ct数据沿横截面切成一系列切片，三个数据集分别得到7309张、9073张和1476张2d切片。
12、2.2调整窗口级别和窗口宽度，以准确捕获灰度值。将nih和msd数据集中的数据的灰度值剪切到[-100，+240]hu的范围内，将临床数据集中的灰度值剪到[-100，+140]hu的范围。然后将所有值归一化到[0，255]的范围内。
13、2.3对三个数据及应用随机轴翻转、随机90度旋转、随机高斯噪声添加、随机对比度调整、随机高斯平滑和随机直方图偏移数据增强操作。
14、更进一步，所述步骤s3中，设计分割模型，过程如下：
15、3.1定义模型的主干网络，由四个多尺度mamba模块构成，每个模块有四个支路构成，第一到第三支路中分别应用了1、2、3个可形变卷积来捕获不同尺度感受野，此外还引入了vss块来捕捉不同的细粒度特征。第四支路由普通的残差块构成，目的是为了模型更好的训练。
16、3.2定义模型的边缘增强路径。该路径引入残差块和注意力机制来改进胰腺分割任务中的边界轮廓学习。具体地，边缘增强路径通过对不同层次的特征图进行加权、生成注意力系数，并结合残差块进行处理，从而精确提取边界信息。最终，通过canny算子提取边缘轮廓，与真实标签学习，强化了主干网络提取边缘信息的能力。
17、3.3定义多层解码器。为了应对传统u形解码器在融合深层和浅层信息时导致的胰腺病灶小目标细节丢失问题，引入了一个多层解码器(multi-layer decoder,mld)模块。该模块通过在不同层次上应用多个上采样块，将编码器输出恢复到与原始输入特征尺寸相同的1×h×w维度，从而有效捕捉不同尺度的特征。在此基础上，为了进一步提升特征的表达能力，每个层次的特征输出首先经过卷积块注意力模块(cbam)的处理，得到更为精细的边缘信息。最终，通过连接操作将四个不同尺度的特征图融合，生成最终的解码器输出。
18、3.4定义损失。选用acloss和diceloss作为最终损失，这种组合方法能够处理类别不平衡、优化细节分割，并提高分割结果的整体性能。
19、本专利技术的第二个方面涉及一种基于mamba的胰腺ct图像分割装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现本专利技术的一种基于mamba的胰腺ct图像分割方法。
20、本专利技术的第三个方面涉及一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现本专利技术的一种基于mamba的胰腺ct图像分割方法。
21、本专利技术的有益效果在于：
22、1.设计了一个引入多尺度mamba模块，以平衡模型的参数量和分割精度。通过mamba模块的多尺度特征提取，使得模型能够同时捕捉不同尺度的胰腺病灶细节，同时保持较低的模型复杂度。这种设计在确保高精度分割的同时，有效地控制了计算资源的使用。
23、2.设计了边缘增强路径，专门处理胰腺病灶边缘信息。它将低层次和高层次特征结合，并引入了attentiongate注意力机制，增强了模型在各个尺度上对边缘信息的捕捉能力，有效解决了胰腺分割中边界轮廓模糊的问题。
24、3.相较于传统的u形编解码结构，本专利技术创新性地提出了e型多路径解码器，旨在通过不同的解码路径提取不同尺度的特征，避免传统u形结构在融合深层和浅层信息时可能出现的小目标细节丢失问题，尤其适用于胰腺等小器官的精细分割。
本文档来自技高网...【技术保护点】
1.一种基于mamba的胰腺CT图像分割方法，包括以下步骤：
2.如权利要求1所述的一种基于mamba的胰腺CT图像分割方法，其特征在于，步骤S1中，选用NIH、MSD2018和临床数据集作为胰腺及胰腺肿瘤分割实验的数据集；NIH数据集包含82例增强对比的腹部CT扫描数据，将其82例CT扫描数据随机分为61例用于训练，21例用于验证；MSD数据集包含281例增强对比的腹部CT扫描数据，其中211例用于训练，70例用于测试；临床数据集包含89例带有胰腺肿瘤标签的增强CT扫描数据，其中71例用于训练，18例用于测试。
3.如权利要求1所述的一种基于mamba的胰腺CT图像分割方法，其特征在于，步骤S2的过程如下：
4.如权利要求1所述的一种基于mamba的胰腺CT图像分割方法，其特征在于，步骤S3所述的设计分割模型，过程如下：
5.一种基于mamba的胰腺CT图像分割装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-4中任一项所述的一种基于mamb
6.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-4中任一项所述的一种基于mamba的胰腺CT图像分割方法。
...【技术特征摘要】
1.一种基于mamba的胰腺ct图像分割方法，包括以下步骤：
2.如权利要求1所述的一种基于mamba的胰腺ct图像分割方法，其特征在于，步骤s1中，选用nih、msd2018和临床数据集作为胰腺及胰腺肿瘤分割实验的数据集；nih数据集包含82例增强对比的腹部ct扫描数据，将其82例ct扫描数据随机分为61例用于训练，21例用于验证；msd数据集包含281例增强对比的腹部ct扫描数据，其中211例用于训练，70例用于测试；临床数据集包含89例带有胰腺肿瘤标签的增强ct扫描数据，其中71例用于训练，18例用于测试。
3.如权利要求1所述的一种基于mamba的胰腺ct...
【专利技术属性】
技术研发人员：叶得章，管秋，杨坚敏，赵柯尔，高华，龙海霞，徐新黎，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。